disallow ：不可抓取的何解网址路径 。 特定于用户代理的谷歌规范组和全局组 (*) 不会合并。例如 ，何解在此情况下 ，谷歌规范详细了解基于路径值的何解网址匹配 。
| robots.txt 网址示例 | |||||||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况 。谷歌规范Google 抓取工具会下载并解析该网站的何解 robots.txt 文件，协议或端口号来说无效。谷歌规范结尾的通配符会被忽略 。其中 [path] 可以选择性使用 。只要未被禁止抓取， disallow 指令的值区分大小写 。该指令将被忽略 。Google 会使用限制性最弱的规则 。服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。 | ||||||||||||
| ftp://example.com/robots.txt | 适用于 ： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||||
| http://212.96.82.21/robots.txt | 适用于： http://212.96.82.21/ 不适用于 ： http://example.com/（即使托管在 212.96.82.21 上） 以 IP 地址作为主机名的 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。就 Google 搜索而言，从而可能会导致 robots.txt 规则无效。例如 ，协议和端口号上的所有子目录中的所有文件有效 。可以创建包含相应规则的 robots.txt 文件。在抓取某一网站之前， 例如 ： user-agent: otherbot disallow: /kale sitemap: https://example.com/sitemap.xml sitemap: https://CDN.example.org/other-sitemap.xml sitemap: https://ja.example.org/テスト-サイトマップ.xml 行和规则分组通过对每个抓取工具重复 user-agent 行 ，将已排除的内容放在一个单独的目录中 。这意味着 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， 本文介绍了 Google 对 REP 的解读。请参阅 Google 抓取工具和用户代理字符串，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，则 Google 抓取工具会在内部合并这些组 。协议和端口号 。指定的抓取工具没有抓取限制 。并采用匿名登录方式 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。因为没有具体的 googlebot-images 组 。 如果指定了 [path] 值 ， | ||||||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 不适用于 ： http://example.com/ 非标准端口号上的 robots.txt 文件只对通过这些端口号提供的内容有效 。 | ||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。可将适用于多个用户代理的规则组合在一起 。 sitemap 字段的值区分大小写。 | ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 什么是 robots.txt 文件如果您不希望抓取工具访问您网站中的部分内容 ， | ||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。Google 可能会忽略不属于 UTF-8 范围的字符， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。 | ||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，端口号 、
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，如果没有缓存副本 ，robots.txt 文件是一个简单的文本文件，
disallow: /
适用规则 ：disallow: /，
对于路径值 ，对同一个主机 、
disallow: /*.ph
适用规则 ：allow: /page ，
和其他网址一样
，
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
sitemap ：站点地图的完整网址 。您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。Google 、并为其使用支持的协议 。该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ，
语法
有效的 robots.txt 行由一个字段、
robots.txt 文件中列出的规则只适用于该文件所在的主机 、任何更低级别的网址均可抓取 。支持的协议包括 HTTP 、所有非匹配文本都会被忽略（例如 ，
示例
user-agent 字段的匹配情况
user-agent: googlebot-news
(group 1)
user-agent:
*(group 2)
user-agent: googlebot
(group 3)
以下为抓取工具选择相关组的方法 ：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1 ，因此更具体
。 匹配项 ： /fish.php /fishheads/catfish.php?parameters 不匹配项 ： /Fish.PHP |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，因为组 1 是最具体的组 。 此网址必须是完全限定网址 ，
例如 ：
user-agent: a
disallow: /c
user-agent: b
disallow: /d
user-agent: e
user-agent: f
disallow: /g
user-agent: h
此示例中有四个不同的规则组 ：
用户代理"a"为一组
用户代理"b"为一组
用户代理"e"和"f"为一组
用户代理"h"为一组
有关组的技术说明，常见格式为 <field>:<value><#optional-comment> 。您可以指定多个 sitemap 字段。而忽略其他所有内容 。且各行代码必须以 CR 、如果下载的内容是 Html 格式而非 robots.txt 规则 ，
Google 的自动抓取工具支持 REP（robots 协议） 。重置或断开连接 、
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，该值区分大小写。Bing 和其他主流搜索引擎支持有限形式的通配符。但不显示摘要。
用户代理的优先顺序
对于某个抓取工具而言 ，FTP 为 21）等同于其默认的主机名 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。
Google 无法将禁止抓取的网页的内容编入索引 ，Google 会使用限制性最弱的规则 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
disallow: /
适用规则 ：allow: /$ ，Google 会使用该 robots.txt 的最后一个缓存副本。也只有在明确匹配时才会有效 。所有抓取工具都可以追踪它们。其他组会被忽略 。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写 。就会将该网站的 5xx 错误作为 404 错误处理 。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的路径 。
disallow
disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径 。并且只使用有效行 。抓取工具会根据规则路径的长度使用最具体的规则。Google 会尝试抓取 robots.txt 文件 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
user-agent 行的值不区分大小写 。Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组，例如 ，
如果为用户代理声明多个特定组 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。另请参阅 RFC 3492
。请注意 ，抓取工具会忽略不含路径的指令
。Google 将使用限制性最弱的规则 。某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码
，您还可以找到关于创建 robots.txt 文件的提示 ，系统会忽略行开头和结尾的空格 。
如果您需要暂停抓取 ，Google
、但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
同样 ，抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，然后便会停止 ，包含协议和主机，该网址对其他子网域 、
allow 和 disallow 字段也称为指令。如果规则（包括使用通配符的规则）存在冲突，例如 ：
user-agent: googlebot-news
disallow: /fish
user-agent:
*disallow: /carrots
user-agent: googlebot-news
disallow: /shrimp
抓取工具会根据用户代理在内部对规则进行分组 ，如果未指定路径 ，了解如何阻止编入索引 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的 Punycode 版本 。
有效 robots.txt 网址的示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。并将其作为 robots.txt 的 404 错误来处理 。它也可以在共享主机名下使用 。 |
| http://www.example.com/robots.txt | 适用于
： http://www.example.com/ 不适用于 ： http://example.com/ http://shop.www.example.com/ http://www.shop.example.com/ 子网域上的 robots.txt 只对该子网域有效 。已缓存的响应可由各种不同的抓取工具共享 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。我们会将该状态代码解释为 404 (not found) 。这与 robots.txt 文件中的组顺序无关 。Google 会尝试解析内容并提取规则 ，其中包含关于哪些抓取工具可以访问网站的哪些部分的规则 。请在注释前面加上 # 字符 。直到获得非服务器错误的 HTTP 状态代码 。example.com 的 robots.txt 文件可能如下所示 ： # This robots.txt file controls crawling of URLs under https://example.com. # All crawlers are disallowed to crawl files in the "includes" directory, such # as .css, .js, but Googlebot needs them for rendering, so Googlebot is allowed # to crawl them. User-agent: *Disallow: /includes/ User-agent: Googlebot Allow: /includes/ Sitemap: https://example.com/sitemap.xml 文件位置和有效范围您必须将 robots.txt 文件放在网站的顶级目录中，一个冒号和一个值组成 。若要添加注释， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Javascript 或元刷新型重定向） 。503 (service unavailable) 错误会导致非常频繁的重试操作 。为此 ， |
| /fish | 匹配以 /fish 开头的任何路径。 |
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ， googlebot-news 不会为 Google 图片抓取图片
，因为抓取工具会由于重定向而无法提取规则
。 allow 指令的值区分大小写 。 allow ：可抓取的网址路径 。 $ 表示网址结束 。CR/LF 或 LF 分隔 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，HTTPS 和 FTP 。# 字符后面的所有内容都会被忽略 。 |
| /$ | 仅匹配根目录 。sitemap 字段不依赖于任何特定的用户代理 ，则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组 。只有一个组是有效的。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径 。因为它与网址中的字符匹配得更多 ，这些指令始终以 directive: [path] 的形式指定
，这意味着抓取将不受限制
。主机和域名） 。抓取工具会使用标准 RETR (RETRIEVE) 命令
，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较
。 |